Хиймэл оюун ухаан хэрхэн суралцдаг вэ?

Хиймэл оюун ухаан хэрхэн суралцдаг вэ? номын энэхүү гарын авлага нь гол санаануудыг энгийн хэлээр тайлбарлаж, жишээ, жижигхэн тойруу зам, мөн тустай хэвээр байгаа хэдэн төгс бус зүйрлэлүүдийг оруулсан болно. Ингээд эхэлье. 🙂

Үүний дараа таны унших дуртай нийтлэлүүд:

🔗 Урьдчилан таамаглах хиймэл оюун ухаан гэж юу вэ
Урьдчилан таамаглах загварууд нь түүхэн болон бодит цагийн өгөгдлийг ашиглан үр дүнг хэрхэн урьдчилан таамагладаг.

🔗 Хиймэл оюун ухаан ямар салбаруудад саад учруулах вэ
Автоматжуулалт, аналитик болон агентуудын нөлөөгөөр өөрчлөгдсөн салбарууд.

🔗 GPT гэдэг нь юу гэсэн үг вэ
GPT товчлол болон гарал үүслийн талаар тодорхой тайлбар.

🔗 Хиймэл оюун ухааны чадварууд гэж юу вэ
Хиймэл оюун ухааны системийг бүтээх, байршуулах, удирдах үндсэн чадамжууд.

Тэгэхээр, үүнийг хэрхэн хийдэг вэ? ✅

хиймэл оюун ухаан хэрхэн суралцдаг вэ гэж асуухад тэд ихэвчлэн загварууд зүгээр л гоёмсог математикийн тоглоом биш харин хэрхэн ашигтай болдог вэ гэсэн утгатай байдаг. Хариулт нь жор юм:

Тодорхой зорилго - "сайн" гэдэг нь юу гэсэн үг болохыг тодорхойлдог алдагдлын функц. [1]
Чанарын мэдээлэл - олон янзын, цэвэрхэн, хамааралтай. Тоо хэмжээ нь тусалдаг бол олон янз байдал нь илүү их тусалдаг. [1]
Тогтвортой оновчлол - хадан цохионоос дайвалзахаас зайлсхийхийн тулд заль мэх ашиглан градиент бууралт. [1], [2]
Ерөнхийлөн дүгнэх - зөвхөн сургалтын багц төдийгүй шинэ өгөгдөл дээр амжилт гаргах. [1]
Санал хүсэлтийн давталт - үнэлгээ, алдааны шинжилгээ, давталт. [2], [3]
Аюулгүй байдал ба найдвартай байдал - хашлага, туршилт, баримтжуулалт нь эмх замбараагүй байдлыг үүсгэхгүй. [4]

Хялбар суурьтай байхын тулд сонгодог гүнзгий сургалтын текст, дүрслэлд ээлтэй хичээлийн тэмдэглэл, практик сургалт нь таныг бэлгэдэлд живүүлэхгүйгээр үндсэн зүйлсийг хамардаг. [1]–[3]

Хиймэл оюун ухаан хэрхэн суралцдаг вэ? Товч хариулт нь энгийн англи хэл дээр ✍️

Хиймэл оюун ухааны загвар нь санамсаргүй параметрийн утгуудаас эхэлдэг. Энэ нь таамаглал гаргадаг. Та энэ таамаглалыг алдагдалтай гэж дүгнэдэг . параметрүүдийг ашиглан алдагдлыг бууруулдаг . Загвар сайжрахаа болих хүртэл (эсвэл зууш дуусах хүртэл) энэ давталтыг олон жишээн дээр давтана. Энэ бол нэг амьсгаагаар сургалтын давталт юм. [1], [2]

Хэрэв та арай илүү нарийвчлалтай байхыг хүсвэл доорх градиентийн бууралт ба арын тархалтын хэсгүүдийг үзнэ үү. Хурдан бөгөөд ойлгомжтой мэдээлэл авахын тулд богино лекц, лабораторийн хичээлүүдийг өргөнөөр авах боломжтой. [2], [3]

Үндсэн ойлголтууд: өгөгдөл, зорилго, оновчлол 🧩

Өгөгдөл : Оролт (x) ба зорилтууд (y). Өгөгдөл илүү өргөн, цэвэр байх тусам ерөнхийлөн дүгнэх боломж тань өндөр байна. Өгөгдөл цуглуулах нь тийм ч гайхалтай биш ч гэсэн алдартай баатар юм. [1]
Загвар : (\theta) параметртэй (f_\theta(x)) функц. Мэдрэлийн сүлжээ нь Lego тоосго гэх мэт нарийн төвөгтэй аргаар нэгддэг энгийн нэгжүүдийн овоолго боловч илүү зөөлөн байдаг. [1]
Зорилго : Алдааг хэмждэг алдагдал (L(f_\theta(x), y)). Жишээ нь: дундаж квадрат алдаа (регресс) ба хөндлөн энтропи (ангилал). [1]
Оновчлол : Параметрүүдийг шинэчлэхийн тулд (стохастик) градиент бууралтыг ашиглана уу: (\theta \leftarrow \theta - \eta \nabla_\theta L). Суралцах хурд (\eta): хэт том байвал та үсрэн эргэлдэнэ; хэт жижиг байвал та үүрд унтана. [2]

Алдагдлын функц болон оновчлолын талаарх цэвэр танилцуулгын хувьд сургалтын заль мэх болон алдаануудын талаарх сонгодог тэмдэглэлүүд нь маш сайн товч мэдээлэл юм. [2]

Хяналттай суралцах: шошготой жишээнүүдээс суралцах 🎯

Санаа : Оролт болон зөв хариултын загварын хосуудыг харуул. Загвар нь (x \rightarrow y) зураглалыг сурдаг.

Нийтлэг даалгаварууд : зургийн ангилал, сэтгэл хөдлөлийн шинжилгээ, хүснэгтэн таамаглал, яриа таних.
Ердийн алдагдал : ангиллын хувьд хөндлөн энтропи, регрессийн хувьд дундаж квадрат алдаа. [1]
Сул талууд : шошгын чимээ шуугиан, ангийн тэнцвэргүй байдал, өгөгдлийн алдагдал.
Засварууд : давхарласан түүвэрлэлт, бат бөх алдагдал, тогтмолжуулалт болон илүү олон төрлийн өгөгдөл цуглуулах. [1], [2]

Хэдэн арван жилийн жишиг болон үйлдвэрлэлийн дадлага дээр үндэслэн үр дүн нь урьдчилан таамаглах боломжтой бөгөөд үзүүлэлтүүд нь шууд байдаг тул хяналттай сургалт нь ажлын гол түлхүүр хэвээр байна. [1], [3]

Хяналтгүй болон өөрөө хяналттай суралцах: өгөгдлийн бүтцийг сурах 🔍

Хяналтгүй хүн шошгогүйгээр хэв маягийг сурдаг.

Кластержүүлэлт : ижил төстэй цэгүүдийг бүлэглэх—k-mediat нь энгийн бөгөөд гайхалтай ашигтай.
Хэмжээст байдлыг бууруулах : өгөгдлийг чухал чиглэлд шахах—PCA нь гарцын хэрэгсэл юм.
Нягт/генератив загварчлал : өгөгдлийн тархалтыг өөрөө судлах. [1]

өөрийгөө хянах явдал юм: загварууд нь өөрсдийн хяналтыг (далдлагдсан таамаглал, харьцуулсан сургалт) бий болгодог бөгөөд энэ нь танд шошгогүй өгөгдлийн далай дээр урьдчилан сургаж, дараа нь нарийн тохируулах боломжийг олгодог. [1]

Баяжуулах сургалт: хийж, санал хүсэлт авах замаар суралц 🕹️

Агент нь орчинтой харилцаж , шагнал , урт хугацааны шагналыг хамгийн их байлгах бодлогыг

Гол хэсгүүд : төлөв байдал, үйлдэл, шагнал, бодлого, үнэ цэнийн функц.
Алгоритмууд : Q-суралцах, бодлогын градиентууд, жүжигчин-шүүмжлэгч.
Хайгуул ба мөлжлөг : шинэ зүйлсийг туршиж үзэх эсвэл үр дүнтэйг нь дахин ашиглах.
Зээлийн хуваарилалт : аль үйлдэл нь ямар үр дүнд хүргэсэн бэ?

Шагнал урамшуулал замбараагүй байх үед хүний санал хүсэлт сургалтыг чиглүүлж чадна - зэрэглэл эсвэл сонголт нь төгс шагналыг гараар кодлохгүйгээр зан төлөвийг төлөвшүүлэхэд тусалдаг. [5]

Гүнзгий суралцах, арын тулгуур болон градиент уналт - цохилох зүрх 🫀

арын тархалтыг ашигладаг :

Урагш дамжуулалт : оролтоос таамаглалыг тооцоолох.
Алдагдал : таамаглал болон зорилтуудын хоорондох хэмжилтийн алдаа.
Буцах дамжуулалт : параметр бүрийн алдагдлын градиентийг тооцоолохын тулд гинжин хэлхээний дүрмийг хэрэглэнэ.
Шинэчлэлт : оновчлогч ашиглан параметрүүдийг градиентийн эсрэг түлхэнэ.

Момент, RMSProp, Адам зэрэг хувилбарууд нь бэлтгэлийг ааш араншин багатай болгодог. Завсарлага , жин буурах , эрт зогсоох нь цээжлэхийн оронд ерөнхийлөн тайлбарлахад тусалдаг загварууд юм. [1], [2]

Трансформерууд ба анхаарал: орчин үеийн загвар өмсөгчид яагаад ухаалаг санагддаг вэ 🧠✨

Трансформаторууд хэл болон харааны олон давтагдах тохиргоог орлосон. Гол арга бол өөртөө анхаарал хандуулах явдал бөгөөд энэ нь загварт оролтынхоо өөр өөр хэсгүүдийг нөхцөл байдлаас хамааран жинлэх боломжийг олгодог. Байршлын кодчилол нь дарааллыг зохицуулдаг бөгөөд олон толгойтой анхаарал нь загварыг өөр өөр харилцаанд нэгэн зэрэг анхаарлаа төвлөрүүлэх боломжийг олгодог. Илүү олон төрлийн өгөгдөл, илүү олон параметр, урт хугацааны сургалт зэрэг нь ихэвчлэн өгөөжийг бууруулж, зардлыг нэмэгдүүлэхэд тусалдаг. [1], [2]

Ерөнхийлөн дүгнэх, хэт тохируулга хийх, бас хазайлт-хувьсааны бүжиг 🩰

Модель хүн сургалтын багцыг амжилттай гүйцэтгэсэн ч бодит ертөнцөд бүтэлгүйтэж чадна.

Хэт тохируулга : чимээ шуугианыг цээжилдэг. Сургалтын алдааг багасгаж, туршилтын алдааг нэмэгдүүлдэг.
Тохиромжгүй : хэт энгийн; дохио алдсан.
Хэвийлт ба дисперсийн тэнцвэр : нарийн төвөгтэй байдал нь хэвийлтийг бууруулдаг боловч дисперсийг нэмэгдүүлдэг.

Илүү сайн ерөнхийлөн дүгнэх арга:

Илүү олон төрлийн өгөгдөл - өөр өөр эх сурвалж, домэйн, захын тохиолдлууд.
Тогтмол байдал - хичээлээс завсардах, жингийн бууралт, өгөгдлийн нэмэгдэл.
Зөв баталгаажуулалт - цэвэр туршилтын багц, жижиг өгөгдлийн хувьд хөндлөн баталгаажуулалт.
Хяналтын шилжилт - таны өгөгдлийн тархалт цаг хугацааны явцад өөрчлөгдөх болно.

Эрсдэлийг мэддэг практик нь эдгээрийг нэг удаагийн шалгах хуудас биш харин амьдралын мөчлөгийн үйл ажиллагаа - засаглал, зураглал, хэмжилт, менежмент гэж тодорхойлдог. [4]

Чухал үзүүлэлтүүд: бид суралцах үйл явц хэрхэн явагдсаныг хэрхэн мэдэх вэ 📈

Ангилал : нарийвчлал, нарийвчлал, санах ой, F1, ROC AUC. Тэнцвэргүй өгөгдөл нь нарийвчлал-санах муруйг шаарддаг. [3]
Регресс : MSE, MAE, (R^2). [1]
Зэрэглэл/эргүүлэлт : MAP, NDCG, recall@K. [1]
Үүсгэн байгуулагч загварууд : төөрөгдөл (хэл), BLEU/ROUGE/CIDEr (текст), CLIP дээр суурилсан оноо (олон хэлбэрт) болон хамгийн чухал нь хүний үнэлгээ. [1], [3]

Хэрэглэгчийн нөлөөлөлтэй нийцсэн үзүүлэлтүүдийг сонгоорой. Хэрэв хуурамч эерэг үр дүн нь бодит өртөг бол нарийвчлалын бага зэрэг өсөлт нь хамааралгүй байж болно. [3]

Бодит ертөнц дэх сургалтын ажлын урсгал: энгийн зураг төсөл 🛠️

Асуудлыг томъёолох - оролт, гаралт, хязгаарлалт, амжилтын шалгуурыг тодорхойлох.
Өгөгдлийн дамжуулах хоолой - цуглуулах, шошголох, цэвэрлэх, хуваах, нэмэгдүүлэх.
Суурь шугам - энгийнээс эхэл; шугаман эсвэл модны суурь шугамууд нь гайхалтай өрсөлдөөнтэй байдаг.
Загварчлал - хэд хэдэн бүлгийг туршаад үзээрэй: градиентаар нэмэгдсэн мод (хүснэгт), CNN (зураг), трансформатор (текст).
Сургалт - хуваарь, суралцах хурдны стратеги, шалгах цэгүүд, шаардлагатай бол холимог нарийвчлал.
Үнэлгээ - алдааг арилгах болон алдааны шинжилгээ. Зөвхөн дундажийг биш, алдааг нь хар.
Байршуулалт - дүгнэлтийн дамжуулах хоолой, хяналт, бүртгэл, буцаах төлөвлөгөө.
Давталт - илүү сайн өгөгдөл, нарийн тохируулга эсвэл архитектурын өөрчлөлт.

Жижиг тохиолдол : имэйл ангилагч төсөл нь энгийн шугаман суурь шугамаар эхэлж, дараа нь урьдчилан бэлтгэсэн трансформаторыг нарийн тохируулсан. Хамгийн том ялалт нь загварт биш байсан - энэ нь шошгоны рубрикийг чангатгаж, дутуу төлөөлөлтэй "захын" ангиллуудыг нэмж оруулсан явдал байв. Эдгээрийг хамруулсны дараа F1 баталгаажуулалт эцэст нь бодит ертөнцийн гүйцэтгэлийг хянаж байв. (Таны ирээдүйн өөрийгөө: маш их талархаж байна.)

Өгөгдлийн чанар, шошгололт, өөртөө худлаа хэлэхгүй байх нарийн урлаг 🧼

Хог хаягдал орж ирээд харамсдаг. Шошгоны удирдамж нь тууштай, хэмжигдэхүйц, хянаж үзэх ёстой. Тайлбарлагч хоорондын гэрээ чухал.

Жишээ, булангийн тохиолдлууд болон тэнцүү хуваалтуудтай рубрик бич.
Давхардсан болон бараг давхардсан өгөгдлийн багцыг аудит хийх.
Гарал үүслийг хянах - жишээ бүр хаанаас гаралтай, яагаад оруулсан бэ.
Өгөгдлийн хамрах хүрээг зөвхөн цэвэрхэн жишиг үзүүлэлтээр биш, харин бодит хэрэглэгчийн нөхцөл байдалтай харьцуулан хэмжинэ.

Эдгээр нь таны бодитоор хэрэгжүүлж болох өргөн хүрээтэй баталгаажуулалт болон засаглалын хүрээнд нягт нийцдэг. [4]

Сургалтыг шилжүүлэх, нарийн тохируулга хийх, дасан зохицох - хүнд ачааг дахин ашиглаарай ♻️

Урьдчилан бэлтгэгдсэн загварууд нь ерөнхий дүрслэлийг сурдаг; нарийн тохируулга нь тэдгээрийг бага өгөгдөл ашиглан таны даалгаварт тохируулдаг.

Онцлог шинж чанарыг гаргаж авах : нурууг хөлдөөх, жижиг толгойг сургах.
Бүрэн нарийн тохируулга : хамгийн их багтаамжийн хувьд бүх параметрүүдийг шинэчилнэ үү.
Параметр үр ашигтай аргууд : адаптерууд, LoRA маягийн бага зэрэглэлийн шинэчлэлтүүд - тооцоолол бага байх үед сайн.
Домэйн дасан зохицох : домэйнүүдийн хооронд оруулгуудыг уялдуулах; жижиг өөрчлөлтүүд, том ололтууд. [1], [2]

Энэхүү дахин ашиглалтын хэв маяг нь орчин үеийн төслүүд баатарлаг төсөвгүйгээр хурдан урагшилж чаддаг шалтгаан юм.

Аюулгүй байдал, найдвартай байдал, тохируулга - заавал хийх шаардлагагүй зүйлс 🧯

Суралцах нь зөвхөн нарийвчлалтай холбоотой биш юм. Та мөн бат бөх, шударга, зориулалтын дагуу ашиглах загваруудыг хүсч байна.

Сөрөг хүчний бат бөх чанар : жижиг хэлбэлзэл нь загваруудыг төөрөгдүүлж болзошгүй.
Нэг талыг баримтлах ба шударга ёс : зөвхөн нийт дундаж үзүүлэлтийг бус, дэд бүлгийн гүйцэтгэлийг хэмжих.
Тайлбарлах чадвар яагаад гэдгийг ойлгоход тусална .
Хүн давталтад : тодорхойгүй эсвэл өндөр нөлөөтэй шийдвэрүүдийн өсөлтийн замууд. [4], [5]

Зорилго тодорхойгүй үед хүний дүгнэлтийг оруулах нэг прагматик арга бол давуу эрхэд суурилсан сургалт юм. [5]

Түгээмэл асуултууд нэг минутын дотор - хурдан гал⚡

Тэгэхээр, үнэндээ хиймэл оюун ухаан хэрхэн суралцдаг вэ? Алдагдлын эсрэг давталтын оновчлолоор дамжуулан, градиентууд нь параметрүүдийг илүү сайн таамаглал руу чиглүүлдэг. [1], [2]
Илүү их мэдээлэл үргэлж тусалдаг уу? Ихэвчлэн ашиг буурах хүртэл. Олон янз байдал нь түүхий эзлэхүүнээс илүү байдаг. [1]
Шошго нь замбараагүй байвал яах вэ? Дуу чимээнд тэсвэртэй аргууд, илүү сайн рубрикуудыг ашиглаж, өөрийгөө хянаж урьдчилан бэлтгэх талаар бодож үзээрэй. [1]
Трансформаторууд яагаад давамгайлдаг вэ? Анхаарал сайн хэмжигдэж, алсын зайн хамаарлыг харуулдаг; багаж хэрэгсэл нь боловсорсон. [1], [2]
Би бэлтгэлээ дуусгаснаа яаж мэдэх вэ? Баталгаажуулалтын алдагдлын түвшин тогтворжиж, үзүүлэлтүүд тогтворжиж, шинэ өгөгдөл хүлээгдэж буйгаар ажиллаж, дараа нь зөрүүг хянах болно. [3], [4]

Харьцуулсан хүснэгт - өнөөдөр таны ашиглаж болох хэрэгслүүд 🧰

Зориудаар бага зэрэг хачин. Үнэ нь үндсэн номын сангуудад зориулагдсан бөгөөд өргөн хүрээтэй сургалт нь мэдээж дэд бүтцийн зардалтай байдаг.

Багаж хэрэгсэл	Хамгийн сайн нь	Үнэ	Яагаад энэ нь сайн ажилладаг вэ
PyTorch	Судлаачид, барилгачид	Үнэгүй - нээлттэй src	Динамик график, хүчирхэг экосистем, гайхалтай хичээлүүд.
ТензорФлоу	Продакшны багууд	Үнэгүй - нээлттэй src	Насанд хүрэгчдэд зориулсан үйлчилгээ, гар утсанд зориулсан TF Lite; том нийгэмлэг.
scikit-learn	Хүснэгтийн өгөгдөл, суурь шугамууд	Үнэгүй	Цэвэр API, давталт хурдан, гайхалтай баримт бичиг.
Керас	Түргэн туршилтын загварууд	Үнэгүй	TF дээрх өндөр түвшний API, уншигдахуйц давхаргууд.
JAX	Эрчим хүчний хэрэглэгчид, судалгаа	Үнэгүй	Автомат векторжуулалт, XLA хурд, гоёмсог математикийн мэдрэмж.
Тэврэлдсэн царайтай трансформерууд	NLP, хараа, дуу авиа	Үнэгүй	Урьдчилан бэлтгэгдсэн загварууд, энгийн нарийн тохируулга, гайхалтай төвүүд.
Аянга	Сургалтын ажлын урсгалууд	Чөлөөт цөм	Бүтэц, бүртгэл, олон график процессортой батерей багтсан.
XGBoost	Хүснэгтийн өрсөлдөөнт байдал	Үнэгүй	Хүчтэй суурь үзүүлэлтүүд нь ихэвчлэн бүтэцлэгдсэн өгөгдөл дээр ашиг тусаа өгдөг.
Жин ба хэвийлт	Туршилтын хяналт	Чөлөөт шат	Давтах чадвар, харьцуулах гүйлт, илүү хурдан суралцах давталт.

Эхлэхийн тулд нэр хүндтэй баримт бичгүүд: PyTorch, TensorFlow болон цэвэрхэн scikit-learn хэрэглэгчийн гарын авлага. (Нэгийг нь сонгоод, жижиг зүйл бүтээгээд, давт.)

Гүнзгий шумбалт: таны бодит цагийг хэмнэх практик зөвлөмжүүд 🧭

Суралцах хурдны хуваарь : косинусын бууралт эсвэл нэг мөчлөг нь сургалтыг тогтворжуулж чадна.
Багцын хэмжээ : том байх нь үргэлж сайн байдаггүй - зөвхөн нэвтрүүлэх чадварыг төдийгүй баталгаажуулалтын үзүүлэлтүүдийг анхаарч үзээрэй.
Weight init : орчин үеийн анхдагч тохиргоонууд зүгээр; хэрэв сургалт зогсвол эхлүүлэх тохиргоог дахин хийх эсвэл эхний давхаргыг хэвийн болгох хэрэгтэй.
Хэвийн болгох : багцын норм эсвэл давхаргын норм нь оновчлолыг мэдэгдэхүйц жигд болгож чадна.
Өгөгдлийг нэмэгдүүлэх : зургийн хувьд эргүүлэх/тайрах/өнгөний чичиргээ; текстийн хувьд масклах/токен холих.
Алдааны шинжилгээ : алдааг нэг ирмэгийн жижиг хэсгүүдээр бүлэглэх нь бүх зүйлийг доош нь чирж болзошгүй.
Давталт : үр тохируулах, гиперпараметрүүдийг бүртгэх, шалгах цэгүүдийг хадгалах. Ирээдүйд та талархах болно гэж амлаж байна. [2], [3]

Эргэлзэж байвал үндсэн ойлголтуудаа эргэн хар. Үндсэн ойлголтууд нь луужин хэвээрээ байна. [1], [2]

Бараг л үр дүнтэй болсон жижигхэн зүйрлэл 🪴

Загвар өмсөгчийг сургах нь ургамлыг хачин цоргоор услахтай адил юм. Хэт их ус хэтэрсэн шалбааг. Хэт бага хэмжээгээр ган гачиг. Зөв хэмнэлтэй, сайн өгөгдлөөс нарны гэрэл, цэвэр зорилтоос шим тэжээл авч, та өсөлтийг бий болгоно. Тийм ээ, бага зэрэг бяслагтай ч гэсэн энэ нь наалддаг.

Хиймэл оюун ухаан хэрхэн суралцдаг вэ? Бүгдийг нэгтгэх нь 🧾

Загвар нь санамсаргүй байдлаар эхэлдэг. Алдагдлыг удирдан чиглүүлж, градиент дээр суурилсан шинэчлэлтүүдээр дамжуулан параметрүүдээ өгөгдлийн хэв маягтай уялдуулдаг. Таамаглалыг хялбар болгодог дүрслэлүүд гарч ирдэг. Үнэлгээ нь суралцах нь санамсаргүй биш, бодит эсэхийг танд хэлж өгдөг. Аюулгүй байдлын үүднээс хамгаалалтын хашлагатай давталт нь демо хувилбарыг найдвартай систем болгон хувиргадаг. Энэ бол бүхэл бүтэн түүх бөгөөд анх харагдаж байснаасаа цөөн нууцлаг мэдрэмж төрүүлдэг. [1]–[4]

Эцсийн тайлбар - Хэтэрхий урт байна, уншаагүй байна 🎁

Хиймэл оюун ухаан хэрхэн суралцдаг вэ? Олон жишээн дээр градиент ашиглан алдагдлыг багасгах замаар. [1], [2]
Сайн өгөгдөл, тодорхой зорилго, тогтвортой оновчлол нь суралцах үйл явцыг тогтвортой болгодог. [1]–[3]
Ерөнхийлөн дүгнэх нь цээжлэхээс үргэлж илүү байдаг. [1]
Аюулгүй байдал, үнэлгээ, давталт нь ухаалаг санаануудыг найдвартай бүтээгдэхүүн болгон хувиргадаг. [3], [4]
Экзотик архитектурыг хөөцөлдөхөөсөө өмнө энгийнээс эхэлж, сайн хэмжиж, өгөгдлийг засах замаар сайжруул. [2], [3]

Лавлагаа

Гудфеллоу, Бенжио, Курвилл - Гүнзгий сургалт (үнэгүй онлайн текст). Холбоос
Стэнфорд CS231n - Харааны танилтын зориулалттай мушгирсан мэдрэлийн сүлжээ (хичээлийн тэмдэглэл ба даалгаварууд). Холбоос
Google - Машин сургалтын ослын курс: Ангиллын хэмжүүрүүд (Нарийвчлал, Нарийвчлал, Санах ой, ROC/AUC) . Холбоос
NIST - Хиймэл оюун ухааны эрсдэлийн удирдлагын хүрээ (Хиймэл оюун ухааны RMF 1.0) . Холбоос
OpenAI - Хүний сонголтоос суралцах нь (сонголтод суурилсан сургалтын тойм). Холбоос

Албан ёсны хиймэл оюун ухааны туслах дэлгүүрээс хамгийн сүүлийн үеийн хиймэл оюун ухааныг олоорой

Бидний тухай

Блог руу буцах

Улс/бүс нутаг